食味品质是决定东北粳稻市场竞争力与育种价值的核心性状。然而，现有评价方法存在明显瓶颈：传统感官品评费时费力、依赖训练有素的评价员且主观性强；以 Satake STA1B 为代表的近红外光谱仪器精度有限、依赖复杂校准；挥发性组分分析成本高昂，电子舌存在信号漂移。这些方法要么劳动密集、要么具有破坏性，难以支撑大规模育种程序中的快速表型鉴定。因此，急需一种快速、高通量、无损且可扩展的食味品质评价新方法。前期研究提示，米饭的光泽、色泽等视觉特征与感官感知和消费者偏好密切相关，表明图像表型有望作为复杂食味性状的有效代理指标，但其潜力尚未在预测框架中充分释放。

    近日，重点实验室漆小泉研究员团队联合通化市农业科学研究院和凌云光技术股份有限公司，融合AI工业视觉语言大模型，构建了基于米饭 RGB 图像的粳稻食味品质预测模型，并据此定位到新的食味 QTL——qIVOE7（INTEGRATED VALUE OF ORGANOLEPTIC EVALUATION），为优质粳稻育种提供了高通量、无损、可解释的表型新工具。

    该研究以自然群体与重组自交系（RI）群体构建数据集，首次利用AI工业视觉语言大模型（Luster-VLM-2B）。将 ImageNet 预训练替换为 “ImageNet + Luster-VLM-2B” 双预训练后，实现自然群体验证集 R² 由 0.70 提升至 0.86；本研究最优模型 Model 4，在自然群体验证集上 R² 高达 0.98，在独立 DA-RI 群体与 2025 年随机验证集（东北粳 30 份 + 南方粳 28 份）上R² 达到 0.61，均全面优于商用 Satake STA1B 食味仪。

    作者进一步以 Model 4 预测值和真实的IVOE在 DA-RI 群体中定位，得到一个稳定的食味 QTL——qIVOE7（约 0.89 Mb）；而 Satake STA1B 仪在全基因组范围内未能检出显著信号。同时特征相关与消融实验表明，模型预测会依赖 HSV 色彩空间的 Hue（色相）维度：仅 Hue 均值与模型预测显著相关（r = 0.59），移除 Hue 后相关性消失（r = -0.04），米饭色相向金黄色偏移与食味提升一致。本研究采用双预训练与微调策略训练模型，实现对独立群体的验证，预测结果进一步与 QTL 分析整合，打通了高通量表型与遗传定位的链路。

    该研究建立了一套在AI的加持下，仅凭米饭 RGB 图像即可高精度预测粳稻食味品质的视觉深度学习框架，突破了传统感官品评与仪器检测的瓶颈，并将“视觉表型 + QTL 定位”的范式拓展到复杂品质性状；定位到的 qIVOE7 及其连锁标记为东北粳稻食味品质的分子标记辅助选择提供了直接资源，实现 AI 技术辅助水稻表型预测及其在育种中的应用。 

    该研究成果于2026年8月24日在线发表与国际学术期刊Plant Communications。中国科学院植物研究所在读博士生姚淑君和凌云光股份有限公司唐永亮博士共同第一作者，漆小泉研究员与通化市农业科学研究院赵磊研究员为共同通讯作者。该研究得到了中国科学院战略性先导科技专项（XDB27010202）的资助。

    文章链接：https://doi.org/10.1016/j.xplc.2026.102084

基于深度学习的粳稻IVOE预测系统训练与测试框架